统计学 > 机器学习
[提交于 2025年7月16日
]
标题: Newfluence:在高维空间中提升模型可解释性和理解能力
标题: Newfluence: Boosting Model interpretability and Understanding in High Dimensions
摘要: 随着机器学习(ML)和人工智能(AI)模型的复杂性不断增加,对于帮助科学家、工程师和政策制定者解释和优化模型决策和预测的工具的需求变得越来越迫切。 影响函数起源于稳健统计学,已成为一种流行的方法。 然而,影响函数的启发式基础依赖于低维假设,其中参数数量$p$远小于观测数量$n$。 相比之下,现代AI模型通常在高维环境中运行,具有较大的$p$,这挑战了这些假设。 在本文中,我们研究了高维环境下影响函数的准确性。 我们的理论和实证分析表明,影响函数无法可靠地实现其预期目的。 然后,我们引入了一种替代近似方法,称为Newfluence,它在保持相似计算效率的同时提供了显著改进的准确性。 预计Newfluence将为解释复杂AI模型和诊断其问题提供比许多现有方法更准确的见解。 此外,本文中开发的高维框架也可以用于分析其他流行的技巧,例如Shapley值。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.